基于改进Gabor优化选择的布匹瑕疵检测方法

基于改进Gabor优化选择的布匹瑕疵检测方法
赵宏威; 王亦红
【期刊名称】《《计算机工程与应用》》
【年(卷),期】2019(055)024
【总页数】6页(P202-207)
【关键词】布匹瑕疵检测; Gabor优化选择; 代价函数
【作者】赵宏威; 王亦红
【作者单位】河海大学能源与电气学院南京 211100
【正文语种】中文
【中图分类】TP391.41
1 引言
纺织行业中，布匹质量影响行业的发展，含有瑕疵的布匹会使成本利润下降45%～65%[1]，所以纺织行业一直致力于布匹瑕疵高效检测。

传统布匹瑕疵检测
主要依靠人工检测，而人工检测成本高，效率低，检测正确率在50%～70%[2]。

随着现代科技的发展，自动检测已经成为行业研究的焦点。

然而众多不利因素一直制约着自动检测的精确度和速度，如布匹众多的纹理背景、布匹瑕疵种类多样[3]、实际工业生产环境不同。

因此，针对不同应用条件，衍生出了众多自动检测方法。

目前为止，在布匹瑕疵自动检测方面出现了很多算法，文献[4]把这些算法分为七类，其中三大类应用广泛：基于统计的方法[5]、基于模型的方法[6-7]和基于频谱
的方法[8-9]。

基于统计的方法主要依赖于瑕疵区域和非瑕疵区域像素的差异以及相互之间的关系，如文献[5]所提出的Regularity算法和Orientation算法、形态学方法、共生矩阵等。

此类算法要求布匹瑕疵和非瑕疵区域有明显差异，并且纹理变化规律明显。

因此，此类方法对噪声敏感，误检率高。

基于模型法主要是根据先验知识建立模型，如文献[6]中提到的高斯混合模型，文献[7]中提出的随机场模型分析法，此类方法计算量较大，不适合在线快速检测，并且参数选择困难，鲁棒性较差，无法精确定位瑕疵。

基于频谱的方法主要包括各类Fourier变换、最优FIR 滤波、Gabor小波和其他各类小波变换。

Gabor具有时频分析的优点[10]，对光照变换和噪声具有很强的鲁棒性，并且Gabor小波可进行多方向多尺度分析，非常有利于布匹局部纹理频率特征和方向特征的提取，适用于绝大部分纹理背景的瑕疵检测。

因此，Gabor小波广泛应用于布匹的检测中。

2 Gabor滤波器介绍
在空域内，Gabor函数是一个由高斯函数调制的复指数函数，其二维空域表达式如下：
其中u0代表Gabor函数的中心频率，σx和σy为空域常量，分别定义了高斯调制函数在x轴和y轴上的标准差。

j为复数虚部单位，在空域中由实部和虚部两部分构成，实部为偶对称，虚部为奇对称。

转换到频域时，Gabor函数是一个带通滤波器，其Fourier变换如下：
其中。

使用式（1）为母小波，通过式（3）适当地放缩和旋转就可以得到一组自相似的Gabor小波。

其中
正整数p和q分别代表放缩尺度和旋转方向。

S表示总的尺度数，L表示总的方向数目。

其中θq由下式确定：
图像f( x ,y)经过不同尺度不同方向的Gabor滤波后得到图像Ipq( x ,y)：
其中hpq( x ,y)e和hpq( x ,y)o分别代表Gabor滤波器的实部和虚部，‘*’表示卷积运算。

3 Gabor优化选择的分析
3.1 方法介绍
Gabor滤波检测方法总体分为两大类[11]：多通道Gabor滤波融合[12]和Gabor 优化选择[13-14]。

多通道Gabor滤波融合主要将瑕疵图像用上文介绍的滤波器组滤波，然后按照一定规则融合各通道滤波后的图像，再进行后续处理，得到瑕疵检测后图像。

此方法运算量大，信息冗余较多。

Gabor滤波优化选择是根据一定规
则从不同通道的滤波后图像中选取一幅最优的滤波后图像进行后续处理，最后得到瑕疵检测图像。

具有代表性的优化选择方法有：Unser[15]提出的均值比方法，Kumar[16]提出的一种代价函数判断选择方法，以及文献[17]所提出的单位均值方差代价函数。

均值比方法利用瑕疵图像与标准图像滤波后的像素均值比实现优化选择，比值最大滤波通道为最优通道，其检测效果较差。

单位均方差代价函数方法求滤波后瑕疵图像方差与均值之比，应用较少。

Kumar优化选择方法效果较为理想，应用最为广泛。

在文献[16]中，Kumar提出的优化选择代价函数的总体思路如下：设置L个方向，S个尺度的滤波器组滤波，得到S×L幅滤波后图像，再将各幅滤波后的图像分割
为K个不相互重叠的子块，依据式（6）：
求得各子块的平均像素，其中i=1,2,…,S×L表示滤波后图像序号，k=1,2,…,K表示子块。

对于每幅滤波后图像k个子块中最大输出子块和最小输出子块分别表示为、，由式（7）求代价函数J(i)：
最后由式（8）求取代价函数值最大的一个滤波通道作为最优滤波通道：
3.2 方法分析
由原理介绍可得Kumar优化选择所用代价函数描述了滤波后图像中像素均值最大子块和最小子块的差别，以此代表滤波后背景区域与瑕疵区域对比度大小，故选择代价函数最大的通道为最优滤波通道。

由于瑕疵图像滤波后图像中一般只含有背景区域和瑕疵区域，所以此代价函数在一定程度上能进行优化选择，但是也存在一些缺陷：
（1）Kumar在文献[16]指出此方法不适合大面积型瑕疵的检测，原因是大面积型瑕疵占据图像大部分区域，所以可能非常接近，所得代价函数值接近于零，因此无法完成最优选择。

（2）文献[17]中指出分块大小l×l的选择对优化选择结果影响较大。

l取值过小时，受局部噪声影响较大，像素均值最大最小子块可能就是较强局部噪声所在子块，从而代价函数无法准确表征背景与瑕疵区域的差别；取值过大时，瑕疵区域像素容易被背景像素均匀化，导致、不能准确描述瑕疵区域，此代价函数也就无法寻优。

（3）、仅是当前单幅的滤波后图像中某个别区域子块像素均值，复杂的工业环境和各种随机因素可能导致其不具有代表性。

（4）此代价函数缺少全局性定量描述，缺少稳定的具有代表性的标准对比模板，
导致计算结果无法精确描述各滤波后图像含有瑕疵信息量的相对大小，故算法的抗干扰性相对较弱，鲁棒性差。

4 改进Kumar优化选择
4.1 提出一种代价函数
本文设计的代价函数主要基于瑕疵图像滤波后图像与标准无瑕疵图像滤波后图像的全局偏差来实现优化选择，并且这种偏差并非基于单个像素级别的偏差，而是基于局部像素均值的偏差，这样既兼顾全局性描述，也避免随机扰动干扰。

计算代价函数时需要用到各滤波通道的标准像素均值Ei，此值预先由标准无瑕疵滤波后图像求得。

以下是此代价函数的具体构造过程：首先将第i个滤波器滤波后图像分割成K个l×l大小的子块并根据式（7）求取每个子块均值Dik，其中
k=1,2,…,K表示子块。

计算每幅图像中各子块像素与对应通道标准像素均值之差的平方和，即可得求代价函数J()i：
假设K个子块中前P个子块含有瑕疵，则式（9）可进一步表示为：
其中为子块无瑕疵区-域引起的偏差，为瑕疵区域引起的偏差，所以≪，式（10）进一步化简为：
与分块大小l×l相关，当l为纹理周期时，≈0,J(i)完全表征瑕疵信息量的大小，如式（12）所示：
同时为了防止瑕疵信息量被分块均值均匀化，l不可设置过大，一般取背景纹理最小周期。

4.2 改进优化选择的分析
本文在优化选择代价函数构造的过程中继承了Kumar方法的部分优点：
（1）优化选择的运算量小的优点。

表1显示M×M大小的图片分为K个子块后
代价函数运算量，M和K的数量级通常为102～103，可见几种方法都具有较低
的时间复杂度，本文方法运算量仅略多于均值比法。

表1 代价函数运算次数次乘法运算不同代价函数本文方法Ajay Kumar单位均值
方差均值比比较运算0 3 2K-2除法运算K K+1 00加法运算M2+2K M2+1 2M2 K 0M 2 M20 21
（2）Gabor滤波后图像还存在局部像素有规律波动，并且会受到噪声干扰。

因此计算代价函数时利用分块求均值，能有效避免像素局部波动和噪声的影响，克服了单位均值方差的缺点。

同时避免了均值比方法带来的瑕疵信息被均匀化的缺点。

然而，本文优化选择代价函数与Kumar优化选择代价函数区别较大，对比分析出本文提出的优化选择代价函数具备如下优势：
（1）此代价函数克服了Kumar方法不适合大面积型瑕疵检测的缺点，由于各通
道的标准均值是标准图像滤波后所得，其完全代表了经过该通道滤波后背景的均值，即使大面积型瑕疵占据图像大部分区域，所得代价函数值仍然能反应瑕疵和背景的对比度大小。

（2）分块大小的选择对优化选择结果的影响较小。

因为此处分块的作用仅仅是消除滤波后背景的微弱纹理，并且代价函数值不是简单地依赖于局部某两个子块像素的差别，而是描述了全局差异，降低了分块大小的影响，使代价函数值更具代表性。

（3）各滤波通道的标准均值是由多幅标准无瑕疵图像经过此通道滤波后所得，能有效表征经过此通道滤波后的背景，降低了检测过程中各种随机因数可能对代价函数的影响。

（4）此代价函数定量描述全局特性并克服局部噪声的干扰，提高优化选择的鲁棒性和精确度。

5 基于改进优化选择的布匹瑕疵检测方法设计
基于上文所提出的改进的优化选择方法，本文设计一种布匹瑕疵检测方法，该方法实现过程如下。

首先要设置好一组Gabor滤波器，再将多幅标准图像经过此滤波器组滤波，求每
个通道滤波后图像的标准平均像素值，表示为Epq，取多幅图像中方差最大值为
此通道滤波后图像的标准方差，表示为σpq，保存Epq和σpq。

其次，将瑕疵图像通过此Gabor滤波器组滤波，得到各通道滤波后图像，通过上
文提出的改进的优化选择方法确定最优滤波后图像。

将所得最优滤波后图像二值分割，过程分两步进行，首先根据式（13），将最优
滤波后图像Iab( )x,y进行预二值分割。

其中τ为超参数，本文取2～3，此步骤可以有效地减少最后瑕疵检测错误率，有助于之后的二值分割。

得到预二值分割图像Qab( x ,y)后，再利用迭代式阈值分割方法分割Qab( x ,y)。

在迭代产生最优分割阈值的过程中，将Eab设置为初始迭代值，终止条件设置为
前后两个迭代值相差在σab范围内，如此可获得较好的分割效果。

最后，计算二值分割后图像中像素值为1的区域面积用以判断图像是否存在瑕疵，如果存在则输出瑕疵信息。

本文设计的布匹瑕疵检测方法的完整过程如图1所示。

6 实验验证与结果分析
基于Inter® CoreTMi5*****************、Windows10+Matlab
R2014a的环境实验验证本文所设计方法的可行性和优越性。

实验采用生产过程中产生的瑕疵图片，大小为256×256，包含断经、断纬、稀纬、双纬、油污、破洞、挑花等各类瑕疵。

在参数设置方面，根据我国对于布匹瑕疵的分类[18]，绝大部分瑕疵表现为经向瑕疵、纬向瑕疵以及面积型瑕疵，再考虑到算法的实时性，本文选择0和π/2两个
Gabor滤波方向，1/8、1/16、1/32三个滤波中心频率，滤波模板大小为11×11，分块大小为8×8。

因此，设计为2×3的Gabor滤波器组，按照上文设计的检测
流程进行实验。

实验结果表明本文所设计的方法对于各类瑕疵均具有较好的分割效果，如图2所示。

本文方法能精确定位瑕疵，分割出瑕疵的轮廓。

图1 检测流程
图2 瑕疵检测结果
图3 Gabor滤波后图像及不同分割效果
为了评价方法实际应用时检测效果，通过式（14）～（16）定义三个评价参数，
漏检率（Undetected）、特异性（Specificity）和准确率（Accuracy）。

其中，TP表示样本有瑕疵并且算法检测正确；TN表示样本没有瑕疵并且算法检
测正确；FP表示样本没有瑕疵，误判为有瑕疵样本；FN表示样本有瑕疵，误判为无瑕疵样本。

由实验可得，本文提出算法的漏检率、特异性和准确度如表2所示。

表2 算法性能指标 %Specificity 99.11 Accuracy 98.10 Undetected 3.03
可见本文方法能准确判断布匹图像是否存在瑕疵，且误警率和漏检率均较低。

图3中图（a）为断经瑕疵，（e）～（j）分别为不同通道滤波后结果，选取其中
三个通道分别代表较优、次优、较差滤波通道，三者二值分割后分别得到图（b）～（d）。

设置6组分块大小进行实验，只有一组能使得Kumar优化选择方法获得较优通道，一组获得较差滤波通道。

而有三组取值可使本文优化选择得图（h）所示通道，另外两组则是获得次优结果。

可见本文所提优化选择算法对分块大小依赖较小。

这是由于滤波后图像中会存在噪声，如图2中（e）、（g）、（i）图中有一个较为明显的亮斑噪声，当分块设置较小时Kumar算法会将此亮斑所在子块作为像素均值最大的子块，从而代价函数值变大，导致错误的寻优结果。

图4展示分割精确度比较，可见本文方法能准确地分割出大部分瑕疵的轮廓，尤
其是对破洞、跳花等全局性瑕疵的分割精确度较高。

这是因为算法全局性定量描述偏差的特点使其具有很强的抗干扰能力，优化选择准确度高。

图4 分割精确度
在实时性方面，假设采集到的一幅瑕疵图像大小为M×N，Gabor滤波模板大小为m×n，滤波后图像分块大小为l×l，进行了k次迭代式二值分割，忽略均值Epq
和方差σpq预设置过程，则表3为执行本文算法所需要的运算次数，可得算法的
时间复杂度仅为O(n)。

根据本实验，从采集图像到完成图像二值化分割并输出显
示共需要时间0.3～0.45 s，其检测的线速度约为4～6 m/s，满足在线检测的要求。

表3 运算次数次算法步骤Gabor滤波优化选择二值分割合计加法运算(M-
m)×(N-n)×(m×n-1)×8 MN+2MN/l2(1+k)MN MN×(8×m×n+k)
精确的瑕疵定位、较高的检查准确率、较低的误警率有效证明了本方法实际应用的可行性。

较好的优化选择性能和较快的运算速度体现了本文方法的优越性。

7 结束语
本文提出了基于一种新代价函数Gabor优化选择的布匹瑕疵检测方法，此代价函
数的定义是基于瑕疵图像滤波后与标准无瑕疵滤波图像的差别大小，通过此代价函数从二维Gabor滤波通道中选择最优的一个滤波通道，再使用此通道滤波后图像
进行后续的二值化分割。

根据实验验证，本文提出的方法相对于传统Gabor优化选择布匹瑕疵检测方法鲁
棒性强、精确度高。

在本实验所用样本上取得了99.11%的特异性、98.10%的准
确度和3.03%的漏检率，每秒可处理2～3张像素为256×256的样本，综合性能较强。

下一步考虑将此方法推广，应用于检测其他具有纹理背景的对象。

【相关文献】
[1]Srinivasan K，Dastoor P H，Radhakrishnaiah P，et al.FDAS：a knowledge-based framework for analysis of defects in woven textile structures[J].Journal of the Textile Institute Proceedings&Abstracts，1990，83（3）：431-448.
[2]Sari-Sarraf H，Goddard J S J.Vision system for on-loom fabric inspection[J].IEEE Transactions on Industry Applications，1999，35（6）：1252-1259.
[3]Guan Shengqi，Shi Hongyu.Fabric defect detection based on the saliency map construction of target-driven feature[J].The Journal of The Textile Institute，2017，109（9）：1133-1142.
[4]Kazım H，Talu M F，Özgüven Ö F.Fabric defect detection systems and methods—a systematic literature review[J].Optik-International Journal for Light and Electron Optics，2016，127（24）：11960-11973.
[5]Chetverikov D，Hanbury A.Finding defects in texture using regularity and local orientation[J].Pattern Recogntion，2002，35（10）：2165-2180.
[6]李敏，崔树芹，谢治平.高斯混合模型在印花织物疵点检测中的应用[J].纺织学报，2015，36（8）：94-98.
[7]Zachevsky I，Zeevi Y Y.Model-based color natural stochastic textures processing and classification[C]//Proceedings of IEEE Global Conference on Signal and Information Processing，2016：1357-1361.
[8]Yapi D，Allili M S，Baaziz N.Automatic fabric defect detection using learning-based local textural distributions in the contourlet do main[J].IEEE Transactions on Automation Science&Engineering，2017（99）：1-13.
[9]Chan C H，Pang G K H.Fabric defect detection by Fourier analysis[J].IEEE Transactions
on Industry Applications，1999，36（5）：1267-1276.
[10]Gabor D.Theory of communication[J].IEE Proc London，1946，93（73）：58.
[11]Ngan H，Pang G，Yung N.Automated fabric defect detection-A
review[J].Image&Vision Computing，2011，29（7）：442-458.
[12]Mak K L，Peng P.An automated inspection system for textile fabrics based on Gabor filters[J].Robotics and Computer-Integrated Manufacturing，2008，24（3）：359-369. [13]何薇，白瑞林，李新.基于Gabor小波和神经网络的布匹瑕疵检测[J].计算机工程与应用，2016，52（12）：231-234.
[14]Liu H，Han J.Defect detection in textiles using optimal gabor wavelet
filter[C]//Proceedings of 2006 6th World Congress on Intelligent Control and Automation，2006：10005-10007.
[15]Unser M.Local linear transforms for texture measurements[J].Signal Processing，1986，11（1）：61-79.
[16]Kumar A，Pang G K H.Defect detection in textured materials using Gabor filters[J].IEEE Transactions on Industry Applications，2002，38（2）：425-440.
[17]李益红，卢朝阳，李静，等.一种新的Gabor优化选择检测算法及应用[J.计算机工程与应用，2012，48（5）：4-6.
[18]GB/T 17759-2009本色布布面疵点检验方法[S].2009.。